CN114609912B - 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 - Google Patents
基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 Download PDFInfo
- Publication number
- CN114609912B CN114609912B CN202210272651.0A CN202210272651A CN114609912B CN 114609912 B CN114609912 B CN 114609912B CN 202210272651 A CN202210272651 A CN 202210272651A CN 114609912 B CN114609912 B CN 114609912B
- Authority
- CN
- China
- Prior art keywords
- pseudo
- target
- linear
- posterior
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 230000007704 transition Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000012308 Tagetes Nutrition 0.000 description 1
- 241000736851 Tagetes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/153—Multidimensional correlation or convolution
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法,包括以下步骤:S1.初始化噪声方差和状态转移矩阵,初始化目标初始位置状态选择高斯核核宽σ以及收敛判定系数εt;S2.利用伪线性方法把仅测角观测方程线性化,计算待追踪目标的先验估计值和先验协方差矩阵Pk|k‑1,根据最大相关熵不定点迭代公式,更新后验估计值计算伪线性卡尔曼滤波的偏差,并且瞬时在后验估计值上进行补偿;S3.当后验估计值的更新满足判定系数εt时,停止更新,计算后验协方差矩阵,开始下一轮迭代。本发明将最大相关熵理论和伪线性卡尔曼滤波相结合,提出了纯方位目标追踪方法,相比其他伪线性方法,在非高斯环境工作下目标追踪精度更高且不易发散。
Description
技术领域
本发明涉及纯方位目标跟踪,特别是涉及一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法。
背景技术
目标跟踪的目的是从单个运动传感器或多个空间分布的传感器节点收集的噪声污染传感器数据中估计运动目标的位置和速度。用于目标跟踪的典型传感器数据包括方位角(到达角)、到达时间、到达时差和接收信号强度。本发明主要研究二维平面上使用单个传感器实现纯方位目标跟踪。
纯方位目标追踪属于被动探测方式,在航空航天、水下追踪、无源目标探测等方面有着重要的用途。目前,纯方位多目标跟踪问题的研究非常广泛,大都局限于改变跟踪方式和跟踪工具。从实际的目标跟踪需要来讲,最好研究单站纯方位单目标跟踪算法。这是最简便的跟踪方式,信息的获得完全来自目标含噪声的方位信号。纯方位目标追踪目前主要面对两大难题解决非高斯噪声以及观测方程非线性问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法,将最大相关熵理论和伪线性卡尔曼滤波相结合,在非高斯环境工作下目标追踪精度更高且不易发散。
本发明的目的是通过以下技术方案来实现的:一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪算法,包括以下步骤:
S1.初始化噪声方差和状态转移矩阵,初始化目标初始位置状态选择合适的高斯核核宽σ以及收敛判定系数εt;
S2.利用伪线性方法把仅测角观测方程线性化,计算待追踪目标的先验估计值和先验协方差矩阵Pk|k-1,此时传感器获取目标的角度信息,根据最大相关熵不定点迭代公式,计算先验估计/>和角度信息的加权值,然后更新后验估计值/>计算伪线性卡尔曼滤波的偏差,并且瞬时在后验估计值上进行补偿,得到更为准确的目标追踪信息;
S3.当后验估计值的更新满足判定系数εt时,停止更新,计算后验协方差矩阵,开始下一轮迭代。
在本申请中,仅测角是指在目标追踪过程中,仅需要对目标进行角度测量。结合状态转移矩阵A,即可完成目标追踪。
所述步骤S1中噪声方差和状态转移矩阵分别为:
其中qx和qy为噪声在x轴和y轴的功率谱密度,T为迭代时间间隔。收敛判定系数εt为小于万分之一的正数。
相关熵可以描述为两个随机变量之间的广义相似性。对于具有联合分布函数的变量,我们有:
HXY=E{κ(X,Y)}=∫κ(x,y)dFXY(x,y),
其中κ(·,·)代表一个尺度不变Mercer核,本发明采用尺度不变Mercer核为高斯核,高斯核公式为:
这里σ>0代表高斯核宽,一般设置为1.5。由于联合概率分布函数FXY未知,本发明采用N个样本估计两个变量之间的相关熵
对相关熵公式进行泰勒展开:
可以看出,相关熵是一个误差偶阶矩的加权和,由于相关熵包含了误差的高阶矩信息,所以使用最大相关熵卡尔曼滤波在对于非高斯噪声的处理上具有更加优越的性能。
所述步骤S2包括以下子步骤:
S201.首先给出仅测角目标定位的模型如下,xk为目标位置速度状态,为传感器观测角度,ek为测量噪声
xk=Axk-1+wk-1,
其中f(xx)=tan-1(py,k-sy,k/px,k-sx,k)是一个非线性方程,利用伪线性估计,观测方程的线性形式表示为
zk=Hkxk+ηk,
这里
并且
这里rk=pk-sk被定义为传感器到目标的向量,符号||·||欧几里得范数;伪线性噪声ηk被定义为
因此,仅测角目标模型通过伪线性方法转换为
xk=Axk-1+wk-1,
S202.计算待追踪目标的先验估计值和先验协方差矩阵Pk|k-1,计算方式为:
Pk|k-1=APk-1|k-1AT+Qk-1,
其中代表上一时刻待追踪目标的位置和速度,即上一时刻算法计算得到的后验估计,在本时刻/>乘以目标状态转移矩阵A即得到本时刻的先验估计值;协方差矩阵是指状态估计误差的均方矩阵;协方差矩阵初始时刻为单位矩阵,目标估计的先验估计值为随机值,会随着算法的迭代而收敛到目标位置;
S203.依据最大相关熵不定点迭代公式,更新后验估计值
其中为
在计算得到后验估计后,进行偏差补偿。
伪线性卡尔曼滤波的偏差的计算意义为:在基于伪线性卡尔曼滤波的目标追踪算法中,伪线性观测将方位角噪声注入观测方程,从而导致观测矩阵和观测误差之间具有相关性。它们之间的相关性将导致估计偏差。因此,我们需要对其进行偏差分析和瞬时补偿。所述偏差补偿的过程包括:
首先给出伪线性最大相关熵卡尔曼滤波后验估计形式:
根据矩阵求逆引理,:
(A-UD-1V)-1=A-1+A-1U(D-VA-1U)-1VA-1.
上式变化为:
经过代数运算后,得到真实值和估计的误差表示,包括三个部分:
其中,
虽然Mk中包含了来自前一时刻估计的误差,但不会在伪线性卡尔曼滤波中产生估计偏差;
Bk是观测矩阵Hk和过程噪声wk-1相关性产生的偏差,过程噪声wk-1非常小,直接忽略;Γk是观测矩阵Hk和伪线性观测噪声ηk之间相关性的偏差;因为与步骤S1有关,所以不能忽略。
Γk在有偏估计中起着重要作用:能够弥补因减少而产生的偏差;在完成的更新后,在/>上对Γk进行补偿,公式如下
其中表示补偿后的后验估计值。
所述步骤S3当后验估计值的更新满足判定系数εt时,停止更新,计算后验协方差矩阵,开始下一轮迭代。具体实现过程为,在本轮对补偿得到/>后,将其本轮更新得到的上一次迭代值/>进行比较,如果结果小于满足判定系数εt,
停止本轮不定点迭代,计算后验协方差矩阵
回到步骤S1开始新一轮迭代。
本发明的有益效果是:本发明将相关熵函数引入到伪线性卡尔曼滤波,解决非高斯噪声问题;同时对于伪线性卡尔曼滤波存在的偏置问题,进行了分析并且完成了实时补偿,提出了一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪算法。该算法在面对非高斯噪声时具有良好的目标追踪性能,同时不易发散;由于使用伪线性卡尔曼滤波,将观测方程中存在的非线性问题完成了解耦,实现了对于非线性问题的处理。
附图说明
图1为本发明的方法流程图;
图2为实施例中目标与传感器位置示意图;
图3为实施例中仿真实验结果图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
考虑到目标追踪的一个挑战是纯方位测量数据的非高斯噪声处理。现有纯方位目标跟踪领域使用卡尔曼及其扩展算法基于最小均方误差准则,在高斯噪声环境下表现良好。然而实际环境中,观测噪声通常是高斯噪声下叠加其他噪声,如冲激信号,此时观测噪声变为为重尾(或脉冲)非高斯噪声,传统卡尔曼滤波器在这种条件下的目标追踪效果会恶化。其主要原因是最小均方误差准则对较大的异常值非常敏感。粒子滤波虽然可以用于非高斯噪声,但是其收敛速度慢且计算复杂。近年来,信息论学习中的优化准则受到较多关注,信息论学习以一种简单而非常规的方式将信息理论、非参数估计和重构希尔伯特空间联系起来。研究者提出相关熵损失函数在处理非高斯噪声问题时相比均方误差损失函数具有明显的优势。其原因在于相关熵展开是一个误差偶阶矩的加权和,由于相关熵包含了误差的高阶矩信息,而均方误差损失函数仅仅包含了误差二阶矩信息,所以使用最大相关熵卡尔曼滤波在对于非高斯噪声的处理上具有更加优越的性能。
目标追踪的另一个问题是处理方位角测量与目标运动状态(目标位置、速度)之间的非线性关系,这方面的研究已经有很长的历史,著名的stansfield estimator方法,这是一种加权最小二乘估计器,当测量高斯噪声较小且均值为0时,它与gavish提出的极大似然估计(MLE)等价。但是最大似然估计器得到的估计结果对初始值非常敏感,容易造成迭代不收敛。后来探索使用扩展卡尔曼滤波(EKF)完成纯方位目标跟踪,采用EKF滤波容易出现发散现象。后续的基于无迹卡尔曼滤波(UKF),粒子滤波(PF的纯方位目标跟踪算法。其缺点在于计算复杂度较高,不适合实时处理。而伪线性估计的算法,相比PF和UKF等其他算法,其复杂度较低,鲁棒性好,同时具有类似的跟踪性能。但是它存在的主要缺点是会遭受偏置问题。
本发明的目的是将相关熵函数引入到伪线性卡尔曼滤波,解决非高斯噪声问题;同时对于伪线性卡尔曼滤波存在的偏置问题,进行了分析并且完成了实时补偿,提出了一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪算法。该算法在面对非高斯噪声时具有良好的目标追踪性能,同时不易发散;由于使用伪线性卡尔曼滤波,将观测方程中存在的非线性问题完成了解耦,实现了对于非线性问题的处理。
如图1所示,一种基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪算法,包括以下步骤:
S1.初始化噪声方差和状态转移矩阵,初始化目标初始位置状态选择合适的高斯核核宽σ以及收敛判定系数εt;
观测噪声为非高斯噪声,表示为表示百分之80的小方差高斯噪声叠加百分之20大方差高斯噪声而形成的非高斯噪声。目标运动的过程噪声表示为:
其中qx=0.2m2/s3,qy=0.2m2/s3,状态转移矩阵为:
时间间隔T设置为0.1s,高斯核核宽σ以及收敛判定系数εt分别设置为1.5和0.000001;
S2.利用伪线性方法把仅测角观测方程线性化,计算待追踪目标的先验估计值和先验协方差矩阵Pk|k-1,此时传感器获取目标的角度信息,根据最大相关熵不定点迭代公式,计算先验估计/>和角度信息的加权值,然后更新后验估计值/>计算伪线性卡尔曼滤波的偏差,并且瞬时在后验估计值上进行补偿,得到更为准确的目标追踪信息;计算方式为:
Pk|k-1=APk-1|k-1AT+Qk-1,
依据最大相关熵不定点迭代公式,更新后验估计值的步骤为:
其中为
利用伪线性估计,观测方程的线性形式可以表示为
zk=Hkxk+ηk,
这里
并且
这里rk=pk-sk被定义为传感器到目标的向量,传感器和待追踪目标之间的关系如图2所示,Taget表示待追踪目标,虚线为目标运动轨迹,Sk表示传感器位置,θk表示传感器测量得到的目标角度,pk和vk分别表示当前待追踪目标的位置和速度。
符号||·||为欧几里得范数。这是伪线性噪声ηk可以被定义为
在完成的更新后,在/>上对Γk进行补偿,公式如下
其中表示补偿后的后验估计值。
S3.当后验估计值的更新满足判定系数εt时,停止更新,计算后验协方差矩阵,开始下一轮迭代。具体实现过程为,在本轮对补偿得到/>后,将其本轮更新得到的上一次迭代值/>进行比较,如果结果小于满足判定系数εt,
停止本轮不定点迭代,计算后验协方差矩阵
回到步骤S1开始新一轮迭代。
在本发明的实施例中,设置的迭代总次数为500次,在实例的实验中,采用了两种评价指标将本发明算法与其他算法进行对比。分别为Bnorm指标和RMSE指标,其数学形式分别为:
实验结果如图3所示,本发明所代表曲线为SC-PMCKF,其误差曲线最接近下界,表明本发明算法在两种指标上,在纯方位目标追踪领域的效果均优于现有算法。图3(a)表示算法估计值和目标实际值的位置误差(Pos-BNorm);图3(b)表示算法估计值和目标实际值的速度误差(Vel-Norm);可以看出曲线SC-PMCKF最接近理论误差下界,同时图3(c)表示在RMSE准则下算法估计值和目标实际值的位置误差(Pos-RMSE);图3(d)表示在RMSE准则下算法估计值和目标实际值的速度误差(Vel-RMSE),可以看出曲线SC-PMCKF依然最接近理论误差下界。
上述说明示出并描述了本发明的一个优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (2)
1.基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法,其特征在于:包括以下步骤:
S1.初始化噪声方差和状态转移矩阵,初始化目标初始位置状态选择高斯核核宽σ以及收敛判定系数εt;
所述步骤S1中噪声方差和状态转移矩阵分别为:
其中qx和qy为噪声在x轴和y轴的功率谱密度,T为迭代时间间隔;设置收敛判定系数εt为小于万分之一的正数;
相关熵描述为两个随机变量之间的广义相似性,对于具有联合分布函数的变量,有:
HXY=E{κ(X,Y)}=∫κ(x,y)dFXY(x,y),
其中κ(·,·)代表一个尺度不变Mercer核,采用尺度不变Mercer核为高斯核,高斯核公式为:
其中,设置高斯核款σ>0;由于联合概率分布函数FXY未知,故采用N个样本估计两个变量之间的相关熵
对相关熵公式进行泰勒展开:
相关熵是一个误差偶阶矩的加权和,由于相关熵包含了误差的高阶矩信息,故使用最大相关熵卡尔曼滤波在对于非高斯噪声的处理上具有更加优越的性能;
S2.利用伪线性方法把仅测角观测方程线性化,计算待追踪目标的先验估计值和先验协方差矩阵Pk|k-1,此时传感器获取目标的角度信息,根据最大相关熵不定点迭代公式,计算先验估计/>和角度信息的加权值,然后更新后验估计值/>计算伪线性卡尔曼滤波的偏差,并且瞬时在后验估计值上进行补偿,得到更为准确的目标追踪信息;
所述步骤S2包括以下子步骤:
S201.首先给出仅测角目标定位的模型如下,xk为目标位置速度状态,为传感器观测角度,ek为测量噪声
xk=Axk-1+wk-1,
其中f(xx)=tan-1(py,k-sy,k/px,k-sx,k)是一个非线性方程,利用伪线性估计,观测方程的线性形式表示为
zk=Hkxk+ηk,
这里
并且
ηk=-||rk||sinek,
这里rk=pk-sk被定义为传感器到目标的向量,符号||·||欧几里得范数;伪线性噪声ηk被定义为
因此,仅测角目标模型通过伪线性方法转换为
xk=Axk-1+wk-1,
S202.计算待追踪目标的先验估计值和先验协方差矩阵Pk|k-1,计算方式为:
Pk|k-1=APk-1|k-1AT+Qk-1,
其中代表上一时刻待追踪目标的位置和速度,即上一时刻算法计算得到的后验估计,在本时刻/>乘以目标状态转移矩阵A即得到本时刻的先验估计值;协方差矩阵是指状态估计误差的均方矩阵;协方差矩阵初始时刻为单位矩阵,目标估计的先验估计值为随机值,会随着算法的迭代而收敛到目标位置;
S203.依据最大相关熵不定点迭代公式,更新后验估计值
其中为
在计算得到后验估计后,进行偏差补偿;
所述偏差补偿的过程包括:
首先给出伪线性最大相关熵卡尔曼滤波后验估计形式:
根据矩阵求逆引理:
(A-UD-1V)-1=A-1+A-1U(D-VA-1U)-1VA-1.
上式变化为:
经过代数运算后,得到真实值和估计的误差表示,包括三个部分:
其中,
虽然Mk中包含了来自前一时刻估计的误差,但不会在伪线性卡尔曼滤波中产生估计偏差;
Bk是观测矩阵Hk和过程噪声wk-1相关性产生的偏差,过程噪声wk-1非常小,直接忽略;Γk是观测矩阵Hk和伪线性观测噪声ηk之间相关性的偏差;
Γk在有偏估计中起着重要作用:能够弥补因减少而产生的偏差;在完成的更新后,在/>上对Γk进行补偿,公式如下
其中表示补偿后的后验估计值;
S3.当后验估计值的更新满足判定系数εt时,停止更新,计算后验协方差矩阵,开始下一轮迭代。
2.根据权利要求1所述的基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法,其特征在于:所述步骤S3包括
在对补偿得到/>后,将其当前更新得到的/>与上一次迭代值/>进行比较,如果结果小于满足判定系数εt,
停止本轮不定点迭代,计算后验协方差矩阵
回到步骤S1开始新一轮迭代。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272651.0A CN114609912B (zh) | 2022-03-18 | 2022-03-18 | 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 |
US18/088,634 US20230297642A1 (en) | 2022-03-18 | 2022-12-26 | Bearings-only target tracking method based on pseudo-linear maximum correlation entropy kalman filtering |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210272651.0A CN114609912B (zh) | 2022-03-18 | 2022-03-18 | 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114609912A CN114609912A (zh) | 2022-06-10 |
CN114609912B true CN114609912B (zh) | 2023-10-03 |
Family
ID=81865746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210272651.0A Active CN114609912B (zh) | 2022-03-18 | 2022-03-18 | 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230297642A1 (zh) |
CN (1) | CN114609912B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115087092B (zh) * | 2022-05-25 | 2024-02-27 | 电子科技大学 | 一种多传感器最大相关熵拓展信息滤波分层融合方法 |
CN115050055B (zh) * | 2022-07-06 | 2024-04-30 | 电子科技大学 | 一种基于卡尔曼滤波的人体骨架序列构建方法 |
CN117495900B (zh) * | 2023-11-06 | 2024-06-07 | 长沙理工大学 | 基于相机运动趋势估计的多目标视觉跟踪方法 |
CN117784114B (zh) * | 2023-12-26 | 2024-05-14 | 兰州理工大学 | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 |
CN117565877B (zh) * | 2024-01-19 | 2024-04-09 | 华东交通大学 | 一种分布式驱动电动汽车行驶状态分层融合估计方法 |
CN117928559A (zh) * | 2024-01-26 | 2024-04-26 | 兰州理工大学 | 一种基于强化学习的威胁规避下无人机路径规划方法 |
CN117674771B (zh) * | 2024-01-31 | 2024-04-26 | 成都理工大学 | 一种具有辨识噪声性能的抗差自适应滤波方法及其应用 |
CN117784593B (zh) * | 2024-02-23 | 2024-05-03 | 哈尔滨工程大学 | 一种基于卡尔曼滤波器的无模型振动主动控制方法 |
CN117849707A (zh) * | 2024-03-07 | 2024-04-09 | 西北工业大学 | 一种自适应抗扰多目标方位跟踪方法、系统、芯片及设备 |
CN118017976A (zh) * | 2024-04-09 | 2024-05-10 | 西北工业大学 | 一种数据模型混合驱动的卡尔曼滤波器设计方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1095132A1 (ru) * | 1982-10-05 | 1984-05-30 | Предприятие П/Я Р-6930 | След ща система позиционировани |
CN106487358A (zh) * | 2016-09-30 | 2017-03-08 | 西南大学 | 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
CN113032988A (zh) * | 2021-03-18 | 2021-06-25 | 杭州电子科技大学 | 基于最大相关熵的高阶扩展卡尔曼滤波器设计方法 |
CN113189578A (zh) * | 2021-04-20 | 2021-07-30 | 浙江大学 | 一种扩展目标跟踪方法 |
CN113436442A (zh) * | 2021-06-29 | 2021-09-24 | 西安电子科技大学 | 一种利用多地磁传感器的车速估计方法 |
CN113630106A (zh) * | 2021-08-02 | 2021-11-09 | 杭州电子科技大学 | 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11520560B2 (en) * | 2018-12-31 | 2022-12-06 | Kevin D. Howard | Computer processing and outcome prediction systems and methods |
-
2022
- 2022-03-18 CN CN202210272651.0A patent/CN114609912B/zh active Active
- 2022-12-26 US US18/088,634 patent/US20230297642A1/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1095132A1 (ru) * | 1982-10-05 | 1984-05-30 | Предприятие П/Я Р-6930 | След ща система позиционировани |
CN106487358A (zh) * | 2016-09-30 | 2017-03-08 | 西南大学 | 一种基于统计线性回归的最大相关熵容积卡尔曼滤波方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
CN113032988A (zh) * | 2021-03-18 | 2021-06-25 | 杭州电子科技大学 | 基于最大相关熵的高阶扩展卡尔曼滤波器设计方法 |
CN113189578A (zh) * | 2021-04-20 | 2021-07-30 | 浙江大学 | 一种扩展目标跟踪方法 |
CN113436442A (zh) * | 2021-06-29 | 2021-09-24 | 西安电子科技大学 | 一种利用多地磁传感器的车速估计方法 |
CN113630106A (zh) * | 2021-08-02 | 2021-11-09 | 杭州电子科技大学 | 基于强跟踪滤波的高阶扩展卡尔曼滤波器设计方法 |
Non-Patent Citations (2)
Title |
---|
一种高斯型非线性迭代更新滤波器;陆欣;刘忠;张宏欣;张建强;;工程科学与技术(第04期);全文 * |
噪声非高斯条件下基于最大相关熵准则的容积滤波算法;张敬艳 等;兵器装备工程学报;第42卷(第8期);245-250 * |
Also Published As
Publication number | Publication date |
---|---|
CN114609912A (zh) | 2022-06-10 |
US20230297642A1 (en) | 2023-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114609912B (zh) | 基于伪线性最大相关熵卡尔曼滤波的仅测角目标追踪方法 | |
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN108226920B (zh) | 一种基于预测值处理多普勒量测的机动目标跟踪系统及方法 | |
CN111650577A (zh) | 极坐标系下含多普勒量测的机动目标跟踪方法 | |
CN110501696B (zh) | 一种基于多普勒量测自适应处理的雷达目标跟踪方法 | |
CN104730537A (zh) | 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法 | |
CN111736145A (zh) | 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 | |
CN111965618B (zh) | 一种融合多普勒量测的转换量测跟踪方法及系统 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN111722214A (zh) | 雷达多目标跟踪phd实现方法 | |
CN111983927A (zh) | 一种新型的最大协熵椭球集员滤波方法 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN111289964A (zh) | 一种基于径向速度的无偏量测转换的多普勒雷达目标运动状态估计方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
CN109375160B (zh) | 纯方位无源定位中一种测角误差估计方法 | |
CN116520311A (zh) | 一种基于glmb的自适应航迹起始方法 | |
CN113030945B (zh) | 一种基于线性序贯滤波的相控阵雷达目标跟踪方法 | |
CN111190173B (zh) | 一种基于预测值量测转换的相控阵雷达目标跟踪方法 | |
CN112241583A (zh) | 一种最小化后验距离的传感器路径优化方法 | |
Wang et al. | Particle filter for state and parameter estimation in passive ranging | |
CN106066471A (zh) | 一种移动目标的定位方法及系统 | |
Zhang et al. | A Fusion Localization Algorithm Combining MCL with EKF | |
CN111504326B (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 | |
Wang et al. | State Estimation under Outliers by the Maximum Correntropy Extended Kalman Filter | |
CN113009468B (zh) | 一种视线坐标系内的解耦cmkf跟踪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |